如何使用AzureML Python SDK直接记录与获取运行参数？

存在直接使用azureml库实现参数记录、查询的原生方法，无需依赖MLflow，具体用法如下：

记录运行参数 #

你平时用来记录指标的Run对象自带参数记录能力，对应方法和你用的Run.log（指标记录）同属实验记录接口：

• 单个参数记录：调用run.log_param(参数名, 参数值)，和mlflow.log_param效果完全一致
• 批量记录参数：调用run.log_parameters(参数字典)，适合一次性传入多组超参

示例代码：

from azureml.core import Run

# 获取当前训练作业的运行上下文
run = Run.get_context()

# 记录学习率、动量这类运行参数
run.log_param("learning_rate", 1e-4)
run.log_param("momentum", 0.9)

# 批量记录其他超参
run.log_parameters({
    "batch_size": 64,
    "num_epochs": 30,
    "weight_decay": 1e-5
})

调用上述方法记录的参数，会和MLflow记录的参数一样，直接展示在AzureML Studio Dashboard的参数区域，也就是你截图里的右下角位置。

注意区分几个容易混淆的记录接口，避免内容打错展示位置：

• run.log()/run.log_list()：用于记录随训练过程变化的指标（比如每轮epoch的loss、准确率），会展示在指标面板，支持绘制趋势曲线
• run.log_param()/run.log_parameters()：用于记录固定的运行超参（学习率、动量、batch size等），展示在参数区域
• run.tag()：用于给运行打自定义筛选标签，比如标记数据集版本、实验分组
• run.add_properties()：用于记录不可修改的运行元数据，比如代码提交哈希、运行环境版本

获取已记录的参数 #

拿到对应作业的Run对象后，直接调用run.get_parameters()方法，即可返回所有已记录参数的键值对字典，不需要调用MLflow接口。

如果你使用的是AzureML Python SDK v2版本，提交作业时直接在Job实体的parameters字段传入参数字典即可完成记录，查询时直接访问Job对象的parameters属性就能拿到所有参数，展示效果和v1完全一致。

AzureML Studio参数展示截图

内容的提问来源于stack exchange，提问作者dkapur17